近年来，mRNA疗法因其安全性高、研发生产快、成本低等优势成为疾病治疗的新方向，但其应用受限于外源性mRNA翻译效率（TE）较低的问题。mRNA的翻译效率受编码区（CDS）和非翻译区（UTR）共同影响，尤其是5′ UTR直接参与核糖体结合，是调控TE的关键。目前CDS优化研究较多，而5′ UTR因机制复杂，优化手段有限。现有方法多依赖已知高效序列或遗传算法，往往只能产生少量通用序列，忽略基因特异性，效果受限。

深度学习方法在生物序列预测方面展现出强大能力，结合大规模并行报告基因检测（MPRA）提供的高通量5′ UTR-TE数据，为TE优化提供了新思路。已有研究基于该数据构建了TE预测模型，但未能实现基因特异性序列设计。为此，我们提出UTailoR框架，基于生成对抗网络思想，首先训练判别模型预测TE，进而指导生成模型优化5′ UTR序列。该方法能够针对特定基因生成保留原有特征且TE更高的定制化序列，显著提升优化效果与适用性。

在 mRNA 疫苗和核酸药物快速发展的背景下，如何进一步提升外源性 mRNA 的翻译效率，一直是限制其临床应用与产业化的核心瓶颈。近期，研究团队在 iScience 期刊发表题为 “Enhancing mRNA translation efficiency with discriminative and generative artificial intelligence by optimizing 5′ UTR sequences” 的研究，提出了一种基于人工智能的计算框架 UTailoR (UTR tailor)，为解决 mRNA 翻译效率低的问题提供了创新思路。

mRNA 药物的挑战：翻译效率不足

mRNA 技术以其开发周期短、可编程性强而广泛应用于传染病疫苗、癌症免疫治疗及罕见病疗法。然而，在实际应用中，mRNA 翻译效率不足导致药效不稳定，剂量需求增加，也增加了生产和临床应用的成本。因此，提升 mRNA 的翻译效率成为行业关注的重点。

在 mRNA 分子结构中，5′ 非翻译区（5′ UTR） 对核糖体识别和翻译启动至关重要。通过优化 5′ UTR 序列，可以有效增强蛋白质的表达水平。但如何高效、精准地优化序列，一直缺乏系统化工具。

UTailoR 框架：AI 驱动的双步骤策略

研究团队开发的 UTailoR 框架，整合了两类人工智能模型：

1. 判别模型（Discriminative Model）

   基于深度学习，能够预测不同 5′ UTR 序列的翻译效率。

   为后续优化提供可靠的评估基础。

2. 生成模型（Generative Model）

• 在保持序列与原始 UTR 高度相似的前提下，生成优化后的候选序列。

• 确保优化结果兼顾 功能有效性 与 生物学合理性。

这种“先预测、再生成”的双步骤设计，保证了序列优化的科学性与实用性。

实验验证：翻译效率提升约 200%

在多组实验中，研究人员将 UTailoR 优化的 5′ UTR 序列与对应的原始序列进行对比，结果显示：

• 优化后序列的翻译效率提高约 200%；

• 序列结构保持高度相似，降低了突变风险；

• 方法操作简便，可直接在线获取使用。

这一成果显示，UTailoR 不仅具有理论创新性，更具备产业落地的可行性。

行业意义与应用前景

1. 药物研发加速器

   为 mRNA 疫苗、治疗性蛋白、罕见病疗法提供高效的序列优化工具。

   有望降低剂量需求，减少副作用，提高生产经济性。

2. AI + 核酸药物的典型案例

   展示了人工智能在分子生物学和药物设计中的巨大潜力。

   为未来核酸药物设计开辟出“AI 赋能”的新方向。

3. 易获取与广泛应用

   UTailoR 框架可在线使用，降低了科研人员的技术门槛。

   有望成为学术研究与产业界的通用工具。

声明：本网所有转载文章内容为了宣传行业动态所用，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。